發布時間：所屬分類：醫學論文瀏覽：1次
摘 要： [摘要]影像組學是將數字圖像處理技術和數字建模技術與醫學影像學相結合，通多自動和半自動算法對影像資料的感興趣區(ROI)提取大量影像學特征，在統計數據分析的基礎上，尋找影像學特征與臨床診療數據之間的相關性。本文就影像組學在肺結節良惡性鑒別中的應用
[摘要]影像組學是將數字圖像處理技術和數字建模技術與醫學影像學相結合，通多自動和半自動算法對影像資料的感興趣區(ROI)提取大量影像學特征，在統計數據分析的基礎上，尋找影像學特征與臨床診療數據之間的相關性。本文就影像組學在肺結節良惡性鑒別中的應用研究進行綜述。
1.影像組學概述
影像組學將數字圖像處理技術和數字建模技術與醫學影像學相結合，探究腫瘤影像學特征與臨床診療數據的相關性，總結肺癌的發生發展規律，從而精準鑒別肺結節的良惡性。[1-3]。
2.影像組學工作流程
2.1圖像采集
圖像采集主要通過CT、MRI、PET-CT等掃描技術獲得，CT因其具有較高的空間分辨率和灰度對比度，能有效分析腫瘤和淋巴結的形狀、密度、紋理等特征，而廣泛的而應用在肺結節良惡性鑒別[2]。
2.2圖像分割
對感興趣區的分割有三種方法：人工分割法、半自動分割法、自動分割法。人工分割法準確度高，對不規則邊界勾畫精細，但容易受主觀因素的影響[4];半自動和自動分割法是影像組學發展的未來方向，可重復性高5]。
2.3圖像體征提取和量化
利用GLCM、GLRLM、GLSZM、NGTDM等數學方法對影像學特征進項量化，例如用灰度均值、灰度方差等數值描述圖像的灰度分部。目前常用的特種提取方法，如ROI分割算法和特征提取算法在特征提取中的速度和精度較慢，難以滿足實時高效的研究要求，是目前影像組學多應用于回顧性分析的重要限制因素[6]。
2.4 特征選擇
特征選擇的過程即標準制定過程，根據量化數據的穩定性和相關性制定評分標準，對量化數據進行篩選。常用的選擇方法有：ASSOCox回歸模型、mRMR、RELIEF、PCA等分析方法，其中ASSOCox回歸模型利用罰對數似然函數最大化，是目前最常用的特征數據選擇處理方法[3]。
2.5 建立模型
影像組學的特征和分類模型建立方法主要有：logistic回歸模型、隨機森林(random forest)、“leave-one out”交差驗證、支持向量機(SVM)等。：logistic回歸模型建立過程簡單，容易實現，成為目前主要的模型建立方法，在影像組學預測模型建立的過程中需要大量的專業人員對量化的影響特征進行整理，建立影像學特征和腫瘤表型的相關性關系[7]。
3、影像組學在肺結節良惡性鑒別中的研究
傳統的CT掃描對典型的良惡性肺結節診斷精確，但對于不典型的肺結節，例如肺小結節，傳統的CT掃描圖像特異性較低，白春學[8]設計提出肺結節的高通量特征為：肺結節的大小、形狀、密度與強化程度、邊緣毛刺程度等。形態特征指肺結節的大小和規則程度等。Peikert 等[9]經利用LASSO COX回歸模型篩選出 7 個量化的影像組學特征，在肺結節良惡性鑒別中，特異性為0.856，敏感性為0.9。Chen等[10]采用影像組學分析方法構建的分類器對于鑒別良惡性肺 結節表現出的敏感性 92. 9% ，特異性為 72. 7，準確性為 84. 0% 。Choi等[11]在低劑量 CT 中比較了LASSO COX回歸模型與ACR 研究的Lung - RADS 系統，結果表明 LASSO COX模型具有更高的敏感性和特異性。
相關知識推薦：醫學影像高級職稱評審論文材料
4.討論
研究表明，影像組學特征與肺結節的良惡性間存在一定的相關性，可以無創提取腫瘤特征，在肺癌的篩查、診斷、預后、療效評估全過程中起重要的輔助作用，但由于缺少標準化的圖像處理方法，目前影像組學仍停留在回顧性分析階段，難以在臨床診斷中廣泛應用。如何提高影像組學特征提取精度和速度，標準化掃描過程是影像組學應用發展亟待解決的問題。——論文作者：李麗 1 王敏 2 ( 通訊作者)